OpenAI lanzó ayer soluciones a tres problemas matemáticos de gran éxito que han molestado a los investigadores durante mucho tiempo. Uno de ellos fue el sorprendente rechazo de la Hipótesis del Tiempo Exponencial (ETH), un supuesto duradero en ciencias de la computación que juega un papel importante en cómo entendemos lo que es difícil de calcular.
Al igual que en anteriores lanzamientos de pruebas desde el laboratorio fronterizo, las comunidades científicas respondieron con una mezcla de emoción y consternación. El matemático de Anthropic, Levent Alpöge, sugirió que OpenAI estaba basando sus soluciones en trabajos preexistentes y, horas más tarde, Anthropic publicó su propia refutación de ETH.
Sin embargo, el proceso de OpenAI está evolucionando. Esta vez, el laboratorio estructuró sus lanzamientos de manera diferente para cada una de las tres disciplinas involucradas: los matemáticos dejaron el trabajo en GitHub; los informáticos formaron un grupo de trabajo, pidieron que las pruebas se compartieran públicamente y que OpenAI financiara una conferencia para discutirlas; Los físicos formaron un grupo de trabajo que determinará cómo se dará a conocer su resultado.
El profesor del MIT Ryan Williams es el científico informático que está organizando la respuesta de su campo al nuevo hallazgo. Williams, cuyo trabajo se centra en estas cuestiones de complejidad computacional, ha criticado el enfoque de OpenAI en el pasado, calificando su volcado de pruebas a principios de octubre como un «ataque DDOS contra matemáticos».
Sin embargo, aceptó colaborar con los laboratorios fronterizos para ayudar a impulsar ideas que son vitales para el campo, dijo a TechCrunch. El laboratorio le pidió que ayudara a interpretar la solución, junto con los científicos informáticos de UC San Diego Russell Impagliazzo y Ramamohan Paturi, quienes publicaron por primera vez el ETH en 1999.
Su primer paso fue publicar una carta abierta solicitando comentarios de los científicos interesados en estos problemas y una discusión sobre las normas en torno a las contribuciones de la IA a su trabajo.
“Algunas partes [of OpenAI’s proof] «Son, tal vez se podría decir rutina, pero entonces sí, hay dos o tres partes que parecen extraterrestres, y son exactamente estas partes las que vi las que me hicieron pensar, guau, esto es algo en lo que toda la comunidad necesita trabajar junta», dijo Williams a TechCrunch.
¿Estás de acuerdo con P vs NP?
El ETH es parte de una clase más amplia de problemas conocidos como P vs NP, que ha animado la informática y muchos otros campos durante décadas. De manera reductiva, los investigadores están tratando de comprender si algún problema cuya solución pueda verificarse fácilmente (NP) también puede resolverse fácilmente (P).
Un ejemplo sencillo es el juego Sodoku: una vez que se encuentra la solución a un rompecabezas, se puede verificar rápidamente, pero encontrar la solución lleva mucho tiempo. Esa dinámica es cierta en una variedad de problemas importantes, y la información sustenta los sistemas criptográficos: cuando tienes la clave de un mensaje codificado, puedes revelarla, pero en realidad descifrar un código eficaz lleva demasiado tiempo para ser útil.
Sin embargo, los científicos aún tienen que demostrar si esto es siempre cierto. «P = NP quiere decir que no sólo puedes verificar las soluciones de Sudoku cuando existen, sino que también puedes generarlas», dijo Williams. «P = NP afirma que esto es cierto para cada problema que puedas verificar rápidamente: si puedes verificarlo rápidamente, puedes resolverlo rápidamente. Así que esto parece demasiado bueno para ser verdad».
Por eso la mayoría de los científicos suponen que P ≠ NP. ETH proporcionó pruebas de ello. Básicamente dice que incluso el algoritmo informático más rápido necesita exponencialmente más tiempo para encontrar una solución a medida que crece el número de variables en una clase específica de acertijo lógico complicado.
Las afirmaciones de OpenAI y Anthropic es que sus modelos han creado algoritmos que resuelven esos acertijos en un tiempo «subexponencial», es decir, más rápido que las velocidades que antes se creían posibles. De ser cierto, es posible que hayan demostrado que la EFT es falsa (la hayan refutado, en términos científicos) y tal vez hayan abierto un camino para algoritmos que generalmente realizan P = NP.
«Cada científico informático probablemente debería darle un poco más de importancia a la verosimilitud de P = NP, pero la importancia de cada uno puede variar», dijo Williams. «Creo que en cierto modo pone en duda muchas de las intuiciones que pensábamos que teníamos sobre… cuán manejables [hard NP problems] son. También creo que ésta probablemente tampoco sea la respuesta final. No creo que el algoritmo de OpenAI pueda ser el mejor algoritmo que se pueda conseguir”.
El trabajo que les espera a los informáticos
La durabilidad de ETH ha llevado a que se incluya en muchos artículos científicos durante la última década que deberán revisarse si los laboratorios de IA afirman que han demostrado que es incorrecto, dijo Williams.
«Esta es en parte la razón por la que pedí o presioné a OpenAI para que apoyara una conferencia sobre esto: afectará el trabajo de muchos investigadores y debemos descubrir, bueno, qué sucederá después, además de comprender los algoritmos, debemos comprender cuáles deberían ser las bases que teníamos antes. » dijo.
Antes que las preocupaciones científicas, están las cuestiones de ciberseguridad. Williams dijo que un algoritmo mejorado podría implicar que los sistemas criptográficos que dependen de ciertos tamaños de claves podrían considerarse rotos. Entonces, una de las primeras preguntas que le hizo al líder científico de OpenAI, Dan Roberts, «fue si habían verificado que esto afecta a algún sistema criptográfico… ¿hay algo inseguro ahora? Y aparentemente, lo verificaron y estaban razonablemente seguros de que esto no… implicaba ninguna interrupción».
Este nuevo paradigma de descubrimiento científico de IA es todavía un trabajo en progreso, pero Williams dice que es optimista a pesar de las preocupaciones reales, particularmente sobre la capacitación de la próxima generación de científicos. Ser un informático que hace matemáticas de alto nivel quizás le haya facilitado el ajuste que a los matemáticos puros.
Aún así, dice que la IA está “obligando a las personas a ser un poco más ambiciosas sobre el tipo de trabajo que hacen y a pensar más profundamente acerca de si todas las cosas en las que solía trabajar ahora son frutos fáciles para la IA, ¿cómo puedo elevar el listón para el tipo de preguntas científicas que quiero plantear?”
Cuando compra a través de enlaces en nuestros artículos, podemos ganar una pequeña comisión. Esto no afecta nuestra independencia editorial.